借助机器学习提升新生儿听力损失的早期识别：一种风险分层新方案

要点

• 构建了一种基于机器学习的风险分层工具，可利用临床参数预测高危新生儿的听力损失风险。
• XGBoost模型表现出优异的预测性能，准确率为85.2%，曲线下面积（AUC）为87.1%。
• 经SHAP可解释性分析，NICU住院时长和家族史被识别为最具影响力的风险因素。
• 已实现基于网页的临床决策支持应用，可进行实时风险评估，辅助临床医生早期识别与干预。